Wir verbinden Ihre Erfahrung mit Künstlicher Intelligenz

Team

Diplom (Technische Informatik) Technische Universität Berlin (mit Auszeichnung)
Computer Vision: Objekterfassung,- erkennung und -verfolgung (Tracking) / Mustererkennung
Entwicklung und Implementierung von Verfahren des Maschinellen Lernens auf Bild- und Videodaten (2D und 3D)
5 Jahre Berufserfahrung als Wissenschaftlicher Mitarbeiter im Bereich Forschung & Entwicklung (GfAI Berlin) in Kooperation mit Industrieunternehmen
Forschungs- und Lehrtätigkeit als wissenschaftlicher Mitarbeiter and der Technischen Universität Berlin (Methoden der künstlichen Intelligenz Prof. Opper, TU Berlin), Unterstützung der Lehre, Betreuung einer Masterarbeit

MSc (Statistik) Humboldt Universität Berlin; Diplom (Wirtschaftsinformatik) Universität Siegen
Maschinelles Lernen / Statistische Lernverfahren / schnelle approximative Algorithmen zur Analyse großer Datenmengen
Entwicklung und Implementierung von Modellen zur Zeitreihenanalyse / Lernen und Kontrollieren mechanischer Systeme (speziell Robotik)
Forschungstätigkeit als wissenschaftlicher Mitarbeiter an der Technischen Universität Berlin (Methoden der künstlichen Intelligenz, Prof. Opper) im EU Projekt CompLACS

P.Batz, T.Will, S.Thiel, T.M.Ziesche, C.Joachim (2023)
From identification to forecasting: the potential of image recognition and artificial intelligence for aphid pest monitoring,
Frontiers in Plant Science, Section: Sustainable and Intelligent Phytoprotection, Volume 14

P.Batz, A.Ruttor, S.Thiel, J.Wegener, F.Zautke, C.Schwekendiek, K.Bienefeld (2022)
Semi-automatic detection of honeybee brood hygiene—an example of artificial learning to facilitate ethological studies on social insects,
Biology Methods and Protocols, Volume 7, Issue 1, Oxford University Press OUP

S.Thiel, A.Ruttor, P.Batz (2018)
Beehaviour – Computerunterstützte Erkennung von Verhaltensmustern in Bienenvideos,
65. Jahrestagung der Institute für Bienenforschung e.V., Koblenz

P.Batz, A.Ruttor, M.Opper (2018)
Approximate Bayes learning of stochastic differential equations,
Physical Review E, 98/2, American Physical Society APS

P.Batz, A.Ruttor, M.Opper (2016)
Variational estimation of the drift for stochastic differential equations from the empirical density,
Journal of Statistical Mechanics: Theory and Experiment, 2016/8, Institute of Physics Press IOP

A.Iwainsky, S.Thiel (2016)
A Mixed Reality Environment for Educating Nurses (Best Paper Award),
Future Education and Training in Computing (FETCH), BMBF-Verbundprojekt AKOLEP

A.Ruttor, P.Batz, M.Opper (2013)
Approximate Gaussian process inference for the drift function in stochastic differential equations,
Advances in Neural Information Processing Systems 26 (NIPS), p.2040-2048